再聊我在大厂做策略产品踩过的坑

在快速发展的互联网行业，策略产品经理的角色越来越关键，他们负责通过数据分析和产品策略来推动业务增长。然而，即使是最有经验的专家，也会在这条道路上遇到各种挑战和陷阱。

做策略产品很多年了，从京东，美团，阿里再到快手，这期间做过从0到1的搭建，也做过从1到N的优化，一帆风顺是不可能的，期间走了不少弯路。

几年前也前梳理过自己踩得几个坑，但是随着项目越做越多，经历越来越丰富，越来越多的坑需要等着去填，下面这些都是我的血泪教训，大家看看自己是不是正在踩。

坑1：模糊的策略目标设定

策略产品在做迭代的时候，必然涉及到对于项目需求的目标拆解和定义，这个不仅仅影响对于你做的每一个策略价值收益的衡量，也会直接影响到具体策略的落地，比如模型收敛目标的制定。

通常策略的目标是由具体的指标进行量化，关于策略产品的指标，能够罗列一大堆：

流量类型的：PV，UV，曝光PV/UV，点击PV，点击UV等等；转化收益类型的：CTR，CVR，RCVR，UV价值，RPM等。

那么，在设定做一个策略的ROI之前我们到底该如何确定选取哪个指标呢？

这就需要我们在做需求的前置分析的时候，首先想清楚目前的目标导向是什么。是GMV导向，还是转化率导向，还是流量导向？

目标导向不同，直接决定了整个推荐系统设计过程中的策略，公式，算法，特征等等的选取。

我给到的建议是：对于新业务线暂时不要以GMV为导向，可以从流量或转化率的角度入手，选取CTR作为核心指标；对于比较稳定的业务线则以GMV为导向，选取UV价值作为核心指标。

很多时候我看到的现状是“既要又要”，巴不得一个策略所有相关指标都能涨，这其实是典型的预期不当。

坑2：数据问题

策略产品的搭建，如果数据问题是其面临的第二大问题，那么就没有什么可以称作是最大的问题了。

以推荐策略产品为例，都知道做一个推荐系统，三大数据不可或缺：用户，物品和事件，否则就无法做一个推荐系统。

所以，数据对于策略产品的重要性不言而喻，正如我经常说的：策略是基于特定的业务场景，通过数据应用的方式去提升业务核心指标，解决用户核心痛点。

当然，需要注意的是，这里的数据问题并不是指没有数据，而且没有结构化的数据。

结构化数据也称作是行数据，是由二维表结构来进行逻辑展示和表达的数据，严格遵循数据格式与长度规范，主要通过关系型数据库进行存储和管理。

主要要表现在三个方面：

1. 埋点缺失，线上数据无法采集，尤其是用户行为相关的数据
2. 数据没有进行科学的存储，导致线上无法使用
3. 数据存储结果比较混乱，工程效率低下

以上三点，直接决定了一个业务线是否能够搭建推荐策略产品。我记得老早之前在京东参加了一个VP级别的会议，当时京东搜索推荐的VP说了一句让我印象很深刻的话：

底层数据各种属性不全，最好的规则也白搭

针对这类问题，我建议大家在做策略产品之前，尤其是从0到1去做，不要看了几个推荐系统架构，搜索系统架构的文章，就开始想着用什么召回策略，用什么排序策略，选什么样的模型，先看看最基础的条件是否具备。

当时在京东刚开始做策略产品的时候，我用了三个月的实践啥事都没有做，只优化产品线上埋点，提高线上数据的质量，降低白埋率，然后才开始做搜索，做推荐。

坑3：推荐系统牛逼到无所不能

当然，除了上述的客观问题之外，还会经常碰到下面的连环提问：

• 哇，这个东西我不喜欢，为什么还在我的列表展示？
• 嗯，这个东西是怎么推出来的，毫无根据啊
• 这几个东西我怎么都没见过…
• 我想买一个电磁炉，咋没给我推出来啊…
• 啊，你看我们两个推的东西不一样啊，会不会被投诉…

这些提问的背后，实际上是近几年推荐热带来的用户预期管理不当，尤其今年策略产品的招聘越来越多了，人们对策略的认识也逐渐开始普及。

在大多数人的眼中，推荐系统无所不能，而且能够未卜先知，当然更不能犯错，推出来的item必须是它喜欢的，认可的。

而准确度，多样性，不存在的。推荐系统当中的EE问题是一个非常经典的问题，这里不展开描述了。

在企业中，这种问题主要是发生在频繁与业务方对接需求的过程中，所以我建议在讲解方案，进行规划的时候做好预期管理，同时对于项目的核心衡量指标做好定义和目标阈值设置。

当然，从策略层面可以尽量的减轻这种因为预期不符带来的用户体验营销，比如典型的负反馈策略其实就是解决这个问题的。

坑4：没有算法的推荐系统就很low

算法现在越来越被神化了，貌似只要产品加上算法，那么业务指标就一定能提升，所以，上算法模型在企业内部变成了一种“政治正确”的事情。

所以当有人看到你的推荐系统没有GBDT，SVD，甚至连个最简单的LR都没有的话，呵呵，不好意思，你这不叫推荐系统。

实际上是，推荐系统除了基于各种算法的推荐，还有一个大类是基于内容的推荐。这其中包括了基于约束的推荐，基于知识的推荐等。比如典型的tag2i策略其实就是一种基于标签的规则匹配策略。

真实情况是很多企业，包括大厂在推荐系统搭建的初期全部都是基于规则逻辑的推荐系统。这其实也是一种推荐系统冷启动的原则：

通过规则快速落地一个可行的推荐系统，从而去验证个性化能够带来分发效率的提升，然后随着业务体量的提升，场景的丰富，逐步迭代上模型。

另外，做推荐系统也需要有互联网的产品思维，MVP先行。

可以先试一试基于用户的个性化行为feature去做一些个性化的推荐是否能够提升相关的指标，是否契合本业务线？

一个新的业务线如果一上来就开始选各种算法，训练各种模型，先不说客观条件具备与否，就说最后的ROI是否能够达到都需要画一个问号。

策略本身还是为业务服务，从业务出发，撇开业务谈策略都是耍流氓。

坑5：脱离实际业务场景做策略

随着策略产品的商业应用越来越成熟，尤其是搜索，推荐方向，业界的系统级架构，常见的一些策略思路，导致很多时候产品经理在做策略的时候奉行拿来主义，越来越欠缺业务的思考。

比如拿我之前做过医生推荐系统，也就是给用户推荐医生用于其问诊和购药，业界常用的Item-CF和User-CF的思路合适么？

A和B两个医生的特征相似度很高，那么对于用户看过A医生，最好的策略就是把B医生推给用户么？

A和B两个用户的特征相似度很高，那么如果用户A在平台上问诊过某个医生，那么一定的给用户B推荐该医生么？

以上的逻辑很明显无法适用于用户看病找医生，但是通用商品却很适合。

正常的逻辑应该是什么？

首先，就用户习惯来讲，一般大家都会信任熟悉的医生，所以之前为该用户看过病，开过方的医生，对于用户来说就是最好的选择。

其次，从平台的角度来说，医生有水平高低，服务态度的差别，所以如何帮助用户挑出比较好的医生，高效的链接用户和医生资源，才是提升用户体验和转化的关键。

可以看出策略还是从业务中来，回到业务中去，依据就是业务模式和用户场景，终极目标还是提升用户体验和流量转化。

以上就是我总计出的在做策略产品当中的五个大坑，希望能给你带来一些启发。